論文の概要: EAGLE: Entropy-Aware Geometric Learning Enhancer for Partially Polygon-Supervised Object Localization

• arxiv url: http://arxiv.org/abs/2610.23900v1
• Date: Mon, 28 Sep 2026 21:41:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:41:46.997997
• Title: EAGLE: Entropy-Aware Geometric Learning Enhancer for Partially Polygon-Supervised Object Localization
• Title（参考訳）: EAGLE: 部分多角形スーパービジョン物体定位のためのエントロピー対応幾何学習エンハンサー
• Abstract要約: 本稿では,情報理論と統計的形状解析を組み合わせることで,クラスごとの幾何学的複雑性を定量化する数学的枠組みを提案する。 このフレームワークにより,軽量・ポストトレーニングモデルヘッドであるEntropy-Aware Geometric Learning Enhancer (EAGLE)を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection is a critical application of computer vision, yet models trained uniformly on bounding boxes lack the geometric precision to be fully effective in inference settings, especially at high IoU thresholds. One common approach is the introduction of polygon-supervised localization, where a model is trained explicitly for localization but with access to polygon masks during training. Among such methods, partial polygon supervision is viable due to the higher annotation costs of developing fully supervised training datasets. However, this introduces a further challenge: in object classes of relatively low shape complexity, the addition of training masks and subsequent segmentation loss may obscure box localization, often worsening model performance despite access to deeper geometric information. To address the practical limitations of both full and partial polygon supervision, we introduce a mathematical framework for quantifying per-class geometric complexity by combining information theory and statistical shape analysis. With this framework, we develop Entropy-Aware Geometric Learning Enhancer (EAGLE), a lightweight, post-training model head that learns geometric information for the localization model, improving accuracy via edge refinement and localization rescoring using entropy-informed updates. Empirical analysis across MS COCO and Pascal SBD demonstrates the entropy framework meaningfully predicts shape reconstruction error and accuracy differences among mask-derived and standard box predictions, while the implemented EAGLE framework achieves consistent improvement on already SOTA detection frameworks (+0.9 mAP50-95 points on MS COCO) at minimal observed inference overhead.
• Abstract（参考訳）: 物体検出はコンピュータビジョンの重要な応用であるが、境界ボックス上で一様に訓練されたモデルには、特にIoU閾値の高い推論設定において完全に有効な幾何学的精度が欠如している。 1つの一般的なアプローチは、ポリゴン教師付きローカライゼーションの導入であり、モデルがローカライゼーションのために明示的にトレーニングされるが、トレーニング中にポリゴンマスクへのアクセスが可能である。 このような手法の中で、完全教師付きトレーニングデータセットを開発するためのアノテーションコストが高いため、部分的なポリゴン監視が可能である。 しかし、これはさらに課題をもたらす: 比較的低い形状のオブジェクトクラスでは、トレーニングマスクの追加とその後のセグメンテーション損失はボックスローカライゼーションを曖昧にし、より深い幾何学的情報にアクセスしてもモデル性能を悪化させる。 本稿では,情報理論と統計的形状解析を組み合わせることで,クラスごとの幾何学的複雑性を定量化するための数学的枠組みを提案する。 このフレームワークにより,エントロピー対応幾何学習エンハンサー (EAGLE) を開発した。これは軽量な後学習モデルヘッドで,ローカライゼーションモデルの幾何情報を学習し,エッジの精細化による精度の向上とエントロピー情報を用いたローカライゼーション再構成を行う。 MS COCOとPascal SBDの実証分析では、マスク由来および標準ボックス予測の形状再構成誤差と精度差を有意に予測するエントロピーフレームワークが、実装済みのEAGLEフレームワークは、観測オーバーヘッドが最小限であるSOTA検出フレームワーク(MS COCOの+0.9 mAP50-95点)に対して一貫した改善を達成している。

関連論文リスト

• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• TangramPuzzle: Evaluating Multimodal Large Language Models with Compositional Spatial Reasoning [104.66714520975837]
  古典的タングラムゲームのレンズを通して構成空間推論を評価するために,幾何グラウンドのベンチマークを導入する。 本稿では,タングラム集合を正確に機械で検証可能な座標仕様でグルーピングする記号幾何学的枠組みであるタングラム構成式(TCE)を提案する。 MLLMは、幾何学的制約を無視しながら、ターゲットのシルエットとのマッチングを優先する傾向がある。
  論文  参考訳（メタデータ） (2026-01-23T07:35:05Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Geometry-Informed Neural Operator Transformer [0.8906214436849201]
  この研究は、Geometry-Informed Neural Operator Transformer (GINOT)を導入し、トランスフォーマーアーキテクチャとニューラルオペレータフレームワークを統合し、任意のジオメトリの前方予測を可能にする。 GINOTの性能は複数の挑戦的なデータセットで検証され、複雑で任意の2Dおよび3Dジオメトリに対して高い精度と強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-28T03:39:27Z)
• Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks [64.39488944424095]
  本稿では,Message-Passing Monte Carlo という低差点集合を生成する機械学習手法を提案する。 MPMC点は、低次元と少数の点との差に関して、最適かほぼ最適であることが実証的に示されている。
  論文  参考訳（メタデータ） (2024-05-23T21:17:20Z)
• DARF: Depth-Aware Generalizable Neural Radiance Field [51.29437249009986]
  本稿では,Depth-Aware Dynamic Smpling(DADS)戦略を用いたDARF(Depth-Aware Generalizable Neural Radiance Field)を提案する。 筆者らのフレームワークは,数枚の入力画像で,画素レベルと幾何学レベルの両方の見えないシーンを推測する。 DARFは、最先端の一般化可能なNeRF法と比較して、レンダリング品質と深さ推定を改善しつつ、サンプルを50%削減する。
  論文  参考訳（メタデータ） (2022-12-05T14:00:59Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。